-
公开(公告)号：CN110119686A
公开(公告)日：2019-08-13
申请号：CN201910307891.8
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的安全帽实时检测方法，它采用多线程提取I帧的方式对视频解码；通过YOLOv3卷积神经网络算法实现端到端的安全帽和人脸实时检测；提出了基于安全帽和人脸实时检测的结果判断是否佩戴安全帽的方法；对于未佩戴安全帽的人通过FaceNet算法实现了人脸识别来对他们进行智能语音提醒；采用了通道剪枝和量化的方法对模型进行了压缩，更加利于模型在SoC系统上的集成。本发明结合了YOLOv3和FaceNet的各自优势，解决了视频流中实时佩戴安全帽的精确端到端的检测问题，实现了在视频流中对安全帽的佩戴实时检测，能够实时监督工作人员是否按照规定佩戴安全帽来降低安全风险。
-
公开(公告)号：CN109948607A
公开(公告)日：2019-06-28
申请号：CN201910128720.9
申请日：2019-02-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习反卷积网络的候选边框生成和目标检测方法，该方法包括获取检测图像数据集，构建基于反卷积网络的目标检测网络模型，训练基于反卷积网络的目标检测网络模型，利用基于反卷积网络的目标检测网络模型进行检测。本发明通过使用反卷积网络来获取候选边框，可以在不同角度、不同尺寸目标处生成自适应边框，无需对候选边框的尺寸进行设置，而是通过反卷积网络对卷积网络提取到的特征进行解析同时根据解析信息来得到目标所在区域，可以获取精简且精确的候选边框集合，提高检测网络的检测效果和检测速度。
-
公开(公告)号：CN109934281B
公开(公告)日：2021-01-26
申请号：CN201910175530.2
申请日：2019-03-08
Applicant: 电子科技大学
Abstract: 本发明提供了一种二分类网络的非监督训练方法，属于图像处理、深度学习、模式识别领域。本发明通过对样本数据的一系列处理，对聚类网络进行不同阶段的训练，使用训练好的聚类网络对图像进行分类，避免了监督样本的缺乏，数据标注所需数据获取难度过大、成本过高的问题，使聚类网络的训练及分类结果的实现更为简单、高效。
-
公开(公告)号：CN110119686B
公开(公告)日：2020-09-25
申请号：CN201910307891.8
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的安全帽实时检测方法，它采用多线程提取I帧的方式对视频解码；通过YOLOv3卷积神经网络算法实现端到端的安全帽和人脸实时检测；提出了基于安全帽和人脸实时检测的结果判断是否佩戴安全帽的方法；对于未佩戴安全帽的人通过FaceNet算法实现了人脸识别来对他们进行智能语音提醒；采用了通道剪枝和量化的方法对模型进行了压缩，更加利于模型在SoC系统上的集成。本发明结合了YOLOv3和FaceNet的各自优势，解决了视频流中实时佩戴安全帽的精确端到端的检测问题，实现了在视频流中对安全帽的佩戴实时检测，能够实时监督工作人员是否按照规定佩戴安全帽来降低安全风险。
-
Patent Agency Ranking
公开(公告)号：CN109726769A
公开(公告)日：2019-05-07
申请号：CN201910068946.4
申请日：2019-01-24
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于卷积核权重参数的目标分类和角度估计方法，属于图像处理技术领域。本发明通过构建空不变卷积网络，对其训练得到空不变卷积网络的权重函数，并根据空不变卷积网络的权重函数得到卷积核权重参数和偏置参数以及全连接层权重参数，对卷积核权重参数进行旋转处理得到卷积层权重参数，并将卷积层权重参数和全连接层权重参数加载至构建的组合网络中，输入图片至组合网络中，在对图片图标分类的同时，提供目标的角度信息。
-
公开(公告)号：CN110135267B
公开(公告)日：2020-09-25
申请号：CN201910307904.1
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明提出了一种大场景SAR图像细微目标检测方法，它是基于卷积神经网络和YOLO算法目标检测原理，将SAR图像目标检测变换成回归问题，引入残差网络结构和构建特征金字塔，利用1×1卷积核实现SAR图像目标不同特征层交互及跨尺度预测，使得神经网络更加有利于大场景SAR目标特征提取及小目标实时检测；同时使用K‑means聚类确定边界框，使得神经网络训练所需的锚点框数量更少、模型表示能力更强、任务更容易学习。本发明具有实现简单、检测效率高、检测精度高、检测速度快、适用性好，能够实现对大场景SAR图像细微目标的精确端到端检测。
-
公开(公告)号：CN109726769B
公开(公告)日：2020-07-10
申请号：CN201910068946.4
申请日：2019-01-24
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于卷积核权重参数的目标分类和角度估计方法，属于图像处理技术领域。本发明通过构建空不变卷积网络，对其训练得到空不变卷积网络的权重函数，并根据空不变卷积网络的权重函数得到卷积核权重参数和偏置参数以及全连接层权重参数，对卷积核权重参数进行旋转处理得到卷积层权重参数，并将卷积层权重参数和全连接层权重参数加载至构建的组合网络中，输入图片至组合网络中，在对图片图标分类的同时，提供目标的角度信息。
-
公开(公告)号：CN110135267A
公开(公告)日：2019-08-16
申请号：CN201910307904.1
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明提出了一种大场景SAR图像细微目标检测方法，它是基于卷积神经网络和YOLO算法目标检测原理，将SAR图像目标检测变换成回归问题，引入残差网络结构和构建特征金字塔，利用1×1卷积核实现SAR图像目标不同特征层交互及跨尺度预测，使得神经网络更加有利于大场景SAR目标特征提取及小目标实时检测；同时使用K-means聚类确定边界框，使得神经网络训练所需的锚点框数量更少、模型表示能力更强、任务更容易学习。本发明具有实现简单、检测效率高、检测精度高、检测速度快、适用性好，能够实现对大场景SAR图像细微目标的精确端到端检测。
-
公开(公告)号：CN109934281A
公开(公告)日：2019-06-25
申请号：CN201910175530.2
申请日：2019-03-08
Applicant: 电子科技大学
Abstract: 本发明提供了一种二分类网络的非监督训练方法，属于图像处理、深度学习、模式识别领域。本发明通过对样本数据的一系列处理，对聚类网络进行不同阶段的训练，使用训练好的聚类网络对图像进行分类，避免了监督样本的缺乏，数据标注所需数据获取难度过大、成本过高的问题，使聚类网络的训练及分类结果的实现更为简单、高效。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
